基于OpenCV的人脸识别:LBPH算法

文章目录

    • 引言
    • 一、概述
    • 二、代码实现
      • [1. 代码整体结构](#1. 代码整体结构)
      • [2. 导入库解析](#2. 导入库解析)
      • [3. 训练数据准备](#3. 训练数据准备)
      • [4. 标签系统](#4. 标签系统)
      • [5. 待识别图像加载](#5. 待识别图像加载)
      • [6. LBPH识别器创建](#6. LBPH识别器创建)
      • [7. 模型训练](#7. 模型训练)
      • [8. 预测执行](#8. 预测执行)
      • [9. 结果输出](#9. 结果输出)
    • [三、 LBPH算法原理解析](#三、 LBPH算法原理解析)
    • 四、关键点解析
    • 五、改进方向
    • 总结

引言

人脸识别是计算机视觉领域的一个重要应用,今天我将分享一个使用Python和OpenCV实现的简单人脸识别系统。这个系统能够识别特定人物的照片,并给出识别结果的置信度。

一、概述

这个系统使用了OpenCV的LBPH(Local Binary Patterns Histograms)人脸识别算法,通过训练已知的人脸图像,然后对新的图像进行预测识别。

二、代码实现

python 复制代码
import cv2
import numpy as np

# 加载训练用的人脸照片
images = []
images.append(cv2.imread('linyuner 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('linyuner 2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 2.jpg', cv2.IMREAD_GRAYSCALE))

# 对应标签(0代表林允儿,1代表陈都灵)
labels = [0, 0, 1, 1]

# 标签字典,用于将数字标签转换为可读名称
dic = {0: '林允儿', 1: '陈都灵', -1: '无法识别'}

# 加载待识别的人脸图像
predict_image = cv2.imread('chendulin 3.jpg', cv2.IMREAD_GRAYSCALE)

# 创建LBPH人脸识别器,设置阈值为80
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

# 训练识别器
recognizer.train(images, np.array(labels))

# 进行预测
label, confidence = recognizer.predict(predict_image)

# 输出结果
print('这人是:', dic[label])
print('置信度', confidence)

1. 代码整体结构

这段代码实现了一个简单但完整的人脸识别系统,主要流程包括:

  1. 加载训练图像
  2. 准备对应标签
  3. 创建识别器
  4. 训练模型
  5. 预测新图像
  6. 输出结果

2. 导入库解析

python 复制代码
import cv2
import numpy as np
  • cv2:OpenCV库,提供计算机视觉相关功能,这里主要使用其人脸识别模块
  • numpy:Python科学计算基础库,用于处理数组和矩阵运算

3. 训练数据准备

python 复制代码
images = []
images.append(cv2.imread('linyuner 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('linyuner 2.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 1.jpg', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('chendulin 2.jpg', cv2.IMREAD_GRAYSCALE))
  • cv2.imread() :读取图像文件
    • 第一个参数:图像路径
    • 第二个参数cv2.IMREAD_GRAYSCALE:以灰度模式读取图像,因为人脸识别通常不需要颜色信息
  • 将读取的图像存储在images列表中

4. 标签系统

python 复制代码
labels = [0, 0, 1, 1]
dic = {0: '林允儿', 1: '陈都灵', -1: '无法识别'}
  • labels :与训练图像对应的数字标签
    • 0代表"林允儿"
    • 1代表"陈都灵"
  • dic :字典,将数字标签映射为可读的名称
    • -1表示无法识别的情况

5. 待识别图像加载

python 复制代码
predict_image = cv2.imread('chendulin 3.jpg', cv2.IMREAD_GRAYSCALE)
  • 同样以灰度模式加载待识别的图像
  • 放入一张陈都灵的照片进行检验,后面代码会显示预测结果

6. LBPH识别器创建

python 复制代码
recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)
  • LBPH(Local Binary Patterns Histograms) :局部二值模式直方图
    • 一种高效的人脸识别算法
    • 对光照变化有一定鲁棒性
  • threshold=80 :设置识别阈值
    • 当预测的置信度距离大于此值时,返回-1(无法识别)
    • 这个值需要根据实际情况调整

7. 模型训练

python 复制代码
recognizer.train(images, np.array(labels))
  • 使用训练图像和对应标签训练模型
  • 将Python列表转换为numpy数组,这是OpenCV函数常见的输入要求

8. 预测执行

python 复制代码
label, confidence = recognizer.predict(predict_image)
  • predict():对新的图像进行预测
  • 返回两个值:
    • label:预测的标签(对应之前的0或1)
    • confidence:置信度(距离值),越小表示匹配度越高

9. 结果输出

python 复制代码
print('这人是:', dic[label])
print('置信度', confidence)
  • 使用字典将数字标签转换为可读名称
  • 输出识别结果和置信度
  • 结果输出如下:

三、 LBPH算法原理解析

LBPH工作的三个主要步骤:

  1. 局部二值模式(LBP)特征提取

    • 对每个像素与其邻域像素比较
    • 生成二进制模式
  2. 直方图构建

    • 将图像分成多个小区域
    • 为每个区域构建LBP直方图
  3. 比较直方图

    • 比较输入图像与训练图像的直方图
    • 使用卡方距离等度量方法

四、关键点解析

  1. 图像加载 :所有图像都以灰度模式加载(cv2.IMREAD_GRAYSCALE),因为人脸识别通常不需要颜色信息。

  2. 标签系统:使用数字标签(0,1)对应不同人物,并通过字典转换为可读名称。

  3. LBPH算法:Local Binary Patterns Histograms是一种高效的人脸识别算法,对光照变化有一定的鲁棒性。

  4. 阈值设置:阈值设为80,当预测的置信度高于此值时,返回-1(无法识别)。

  5. 训练与预测:先使用已知图像训练模型,然后对新的图像进行预测。

五、改进方向

  1. 增加更多的人脸样本以提高准确性
  2. 实现实时摄像头人脸识别
  3. 添加人脸检测功能,自动裁剪人脸区域
  4. 使用更先进的深度学习模型

总结

通过这个简单的示例,我们了解了如何使用OpenCV实现基础的人脸识别功能。虽然这个系统比较简单,但它展示了人脸识别的基本原理和工作流程。随着样本数量的增加和算法的优化,系统的识别准确率可以进一步提高。

希望这篇博客对你理解人脸识别技术有所帮助!如果你有任何问题或建议,欢迎在评论区留言。

万事胜意,得偿所愿!加油各位!!!🚀🚀🚀

相关推荐
Fuliy9638 分钟前
【自然语言处理】——基于与训练模型的方法【复习篇1】
人工智能·自然语言处理
项目管理打工人39 分钟前
高端装备制造企业如何选择适配的项目管理系统提升项目执行效率?附选型案例
大数据·人工智能·驱动开发·科技·硬件工程·团队开发·制造
江苏泊苏系统集成有限公司41 分钟前
集成电路制造设备防震基座选型指南:为稳定护航-江苏泊苏系统集成有限公司
人工智能·深度学习·目标检测·机器学习·制造·材料工程·精益工程
吹风看太阳42 分钟前
机器学习03-色彩空间:RGB、HSV、HLS
人工智能·机器学习
Ronin-Lotus1 小时前
深度学习篇---Pytorch框架下OC-SORT实现
人工智能·pytorch·python·深度学习·oc-sort
雾迟sec1 小时前
TensorFlow 的基本概念和使用场景
人工智能·python·tensorflow
Blossom.1182 小时前
人工智能在智能健康监测中的创新应用与未来趋势
java·人工智能·深度学习·机器学习·语音识别
GIS小天2 小时前
AI预测3D新模型百十个定位预测+胆码预测+去和尾2025年5月31日第94弹
人工智能·算法·机器学习·彩票
星辰生活说3 小时前
理想树图书:以科技赋能教育,开启AI时代自主学习新范式
人工智能·科技·学习
说私域3 小时前
定制开发开源AI智能名片S2B2C商城小程序:数字营销时代的话语权重构
人工智能·小程序·开源·零售